Approfondimenti sul trading con IA, l'analisi di mercato e il futuro della DeFi.
Browse collections →Nothing found. Try a different query.
Cinque gradini di fedeltà nella simulazione dei fill — dai fill al prezzo di chiusura ai modelli probabilistici di posizione in coda. I fill parziali come macchina a stati, i limiti di probabilità di fill come bracket di PnL, e un loop di calibrazione contro i fill live.
TWAP, VWAP e POV sono scommesse su una previsione di volume. Sezioniamo le ipotesi nascoste di ogni scheduler, costruiamo curve di volume intraday per le cripto ed eseguiamo tutti e tre a confronto diretto su dati L2 riprodotti.
Derivazione completa del modello di esecuzione ottimale di Almgren-Chriss: impatto lineare, la traiettoria sinh/cosh, la frontiera efficiente e codice Python funzionante per calibrare eta, gamma e sigma da dati L2 e trade di Binance.
Una previsione di volatilita GARCH vale qualcosa solo se migliora una decisione di trading. Costruiamo una strategia crypto a volatilita mirata, valutiamo onestamente la qualita della previsione e confrontiamo GARCH con i benchmark di realized-vol ed EWMA in un backtest walk-forward.
Le correlazioni cripto non sono costanti: schizzano verso 1 in ogni drawdown. Il DCC-GARCH modella una matrice di correlazione variabile nel tempo, offrendoti hedge ratio dinamici per il pairs trading e un rischio di portafoglio onesto e variabile nel tempo.
Il GARCH(1,1) semplice tratta le notizie buone e cattive allo stesso modo e assume shock gaussiani. EGARCH, GJR-GARCH e le innovazioni Student-t/skew-t correggono entrambi i difetti, offrendoti un VaR e un Expected Shortfall onesti per le criptovalute.
Come il modello GARCH(1,1) cattura il clustering di volatilita nel crypto, come stimarlo per massima verosimiglianza con la libreria arch e come trasformare le previsioni di varianza condizionale in dimensionamento delle posizioni e stop dinamici.